TL;DR
SMA — это система, где ИИ-агент после каждой решённой задачи сам формулирует компактный переносимый урок (что сработало, в какую ловушку не попасть, что проверить в следующий раз) и складывает его в базу. При новой похожей задаче агент достаёт из базы не просто похожие по смыслу советы, а те, что доказанно помогали в прошлом — на основе реальной статистики использования.
Главный инсайт: похожесть задачи не гарантирует, что совет полезен. Можно найти в памяти «похожий» пример и получить от него вред — если раньше этот совет уже вводил в заблуждение. Модели, которые выбирают подсказки только по смысловой близости, путают релевантность с надёжностью — это разные вещи.
SMA решает это через «балл надёжности» для каждого урока: стартует одинаковым для всех уроков, а потом растёт или падает в зависимости от того, помогал ли урок при реальных попытках его применить. При выборе совета для новой задачи система смешивает похожесть и балл надёжности, а не смотрит только на похожесть — и это работает лучше.
Схема метода
ШАГ 1: Модель решает задачу → получает ответ + оценку правильности (верно/неверно)
ШАГ 2: Модель формулирует компактный урок из этой попытки (паттерн + ловушка + проверка),
без утечки самого ответа → сохраняется в базу уроков
ШАГ 3: При новой похожей задаче — сначала фильтр по смысловой похожести,
затем среди похожих отбираются те, что доказанно чаще помогали → топ-3 вставляются в промпт
ШАГ 4: После использования урока — балл его надёжности обновляется:
помог → балл растёт, не помог → падает
Шаги 1-2 выполняются один раз (при «обучении» на своих задачах), шаги 3-4 — при каждой новой задаче.
Пример применения
Задача: Фрилансер пишет холодные письма (email outreach) для B2B продаж разным клиентам и хочет, чтобы Claude не повторял одни и те же провальные ходы, а учился на прошлых кампаниях.
Промпт (шаг «после задачи», сразу после отправки письма и получения результата):
Я составил холодное письмо для клиента из ниши {ниша}.
Результат: {ответил/не ответил, купил/не купил}.
Сформулируй компактный урок на будущее в такой структуре:
— Паттерн: какой тип ситуации это был
— Ловушка: какую ошибку легко допустить в похожей ситуации
— Проверка: что проверить перед отправкой в следующий раз
Не переписывай сам текст письма — дай только общий принцип, применимый к похожим клиентам.
Промпт (шаг «перед новой задачей»):
Вот база уроков из прошлых кампаний (в скобках — сколько раз урок реально помог / не помог):
{список уроков с пометками}
Новая задача: письмо для клиента из ниши {новая_ниша}.
Возьми из базы только уроки, которые ДОКАЗАННО чаще помогали (а не просто похожи по теме),
и используй их как ограничения при написании письма.
Результат: После нескольких десятков писем накопится компактная база из 10-20 принципов вместо десятков конкретных примеров. Claude при новой задаче будет опираться не на «похожую по теме» подсказку, а на ту, что реально работала — письма станут точнее с каждой итерацией без переобучения и без копирования старых текстов.
Почему это работает
Модель не помнит прошлые чаты и не учится на своих ошибках между сессиями — каждый раз начинает «с нуля» и рискует повторить те же провалы. Это слабость: нет накопленного опыта без явного механизма.
Сильная сторона модели — она отлично резюмирует опыт в компактные правила, если попросить явно, и хорошо использует вставленный в промпт контекст как руководство к действию.
SMA использует эту сильную сторону, но добавляет важный нюанс: вместо того чтобы доверять «похожести» примера, система отслеживает, какие правила реально помогали, и приоритизирует именно их. База уроков со временем самоочищается от бесполезных советов — вредные правила теряют вес, полезные — усиливаются.
Рычаги управления: - Количество уроков в промпте (в исследовании — 3) → увеличь для сложных задач с множеством нюансов, уменьши для простых (экономия токенов) - Баланс похожести vs надёжности (оптимум в исследовании — 50/50) → смещай в сторону надёжности, если у тебя уже накоплена большая проверенная база; в сторону похожести — если задач и данных пока мало - Формат урока (паттерн-ловушка-проверка) → можно адаптировать под свою область, но сохрани принцип «не финальный ответ, а общий принцип»
Шаблон промпта
Шаблон 1 — извлечение урока после задачи:
Я решал задачу: {описание задачи}.
Результат: {что получилось / оценка успеха или провала}.
Сформулируй компактный переносимый урок для похожих задач в будущем,
в такой структуре:
— Паттерн: тип ситуации, к которой это применимо
— Ловушка: какую ошибку легко допустить
— Проверка: что проверить перед тем как дать ответ
Не повторяй сам ответ — дай только общий принцип.
Шаблон 2 — применение накопленных уроков к новой задаче:
Вот база уроков из прошлых похожих задач:
{список уроков, для каждого — сколько раз он реально помог / не помог}
Новая задача: {описание задачи}.
Выбери из уроков выше только те, что доказанно чаще помогали
(а не просто похожи по теме), и используй их как руководство при решении новой задачи.
Плейсхолдеры: {описание задачи} — конкретная ситуация; {результат} — успех или провал попытки; {список уроков} — твоя накопленная заметка с уроками.
🚀 Быстрый старт — вставь в чат:
Вот принцип накопления уроков из своего опыта (метод SMA). Помоги мне применить его к моей задаче: {твоя задача}.
Задавай вопросы, чтобы понять, как мне вести базу уроков и когда её обновлять.
[вставить оба шаблона выше]
LLM спросит, как часто ты решаешь похожие задачи и как оцениваешь успех попытки — потому что без этого нельзя понять, когда урок «доказал» надёжность, а когда ещё нет.
Ограничения
⚠️ Нужна ручная дисциплина: в оригинале балл надёжности считается автоматически по статистике десятков попыток. В чате без автоматизации придётся вручную отслеживать, помог урок или нет — это работает только если ты действительно решаешь много похожих задач.
⚠️ Годится для задач с чёткой оценкой успеха: метод тестировали на задачах, где есть однозначно правильный/неправильный ответ (верификатор). Для творческих и субъективных задач (тексты, дизайн) сложно объективно решить, «помог» ли урок.
⚠️ На старте эффекта нет: пока уроков накоплено мало, метод не даёт преимущества над обычным «похожим примером». Выгода проявляется только после накопления достаточного объёма проверенного опыта.
Ресурсы
Spatial Memory Agent (SMA), Zhang et al. (2026), Zhejiang University, Shanghai Jiao Tong University. Project page: aim-uofa.github.io/SMA